Inferenzökonomie: Warum Always-On-Produktionsagenten jetzt erschwinglich sind

Aktualisierung — 2026-08-18: Anthropic 65Mrd$ Run-Rate mit 2Bio$ IPO-Ziel, OpenRouter 50% GPT-5.6 Sol, Stripe übernimmt OpenRouter 7Mrd$+ — der Rentabilitäts-Beweispunkt auf Unternehmensebene und Modell-Routing als Beschaffungskategorie

Drei Entwicklungen definieren die Inferenzökonomie-These neu: Anthropic 65Mrd$ Run-Rate mit 2Bio$ IPO-Ziel, OpenRouter 50% GPT-5.6 Sol auf 2,50$/15$, und Stripe übernimmt OpenRouter für 7Mrd$+.

1. Anthropic 65Mrd$ Run-Rate mit 2Bio$ IPO-Ziel. Die annualisierte Umsatzrate übertraf 65 Milliarden Dollar Ende Juli 2026, gegenüber 9 Milliarden Ende 2025 — 7× in 7 Monaten. IPO-Ziel 2 Billionen Dollar. Die Compute-Kostenkurve (71→56 Cent pro Umsatzdollar) produziert ein Frontier-Labor mit 65Mrd$ und 2Bio$ IPO-Ziel.

2. OpenRouter 50% GPT-5.6 Sol auf 2,50$/15$. Der Preis des SWE-bench #1-Frontiermodells ist nun innerhalb von 2× von Gemini 3.7 Flash. Fünfter Optimierungsvektor: Routing über Gateways.

3. Stripe übernimmt OpenRouter für 7Mrd$+. Die Zahlungsinfrastruktur will die KI-Modellauswahlschicht besitzen. Modell-Routing konsolidiert sich in Zahlungsinfrastruktur.

Update — 2026-08-17: Anthropic erster operativer Gewinn, OpenAI $14B Verlust, GPT-5.6 Ultrafast, DeepSeek Preiserhöhung — die Effizienzkurve und der Ehrlichkeitsmarker

Vier Entwicklungen definieren die Inferenzökonomie-These neu: der erste Rentabilitätsbeweis eines Frontier-Labors, der definierende KI-Wirtschaftskontrast, die erste Wafer-Scale-Inferenzbeschleunigung auf einem Frontier-Modell, und die erste Preiserhöhung eines Low-Cost-Anbieters.

1. Anthropic erreichte seinen ersten operativen Gewinn — etwa $559 Millionen auf $10.9 Milliarden Q2 2026 Umsatz, mehr als doppelt so viel wie Q1's $4.8 Milliarden. Der Haupttreiber waren sinkende Compute-Kosten: 71 Cent pro Umsatzdollar in Q1 → 56 Cent in Q2 — eine 15-Punkte-Verbesserung in einem Quartal. Die Serving-Kosten von 71 auf 56 Cent pro Umsatzdollar in einem einzigen Quartal zu senken, war es, was den Wendepunkt zur Rentabilität produzierte.

2. OpenAIs IPO-Einreichung tauchte auf — etwa $2 Milliarden/Monat Umsatz (~$25B annualisiert) alongside einer projizierten $14 Milliarden Verlust für 2026, mit einer Bewertung über $1T. Der OpenAI-Anthropic-Kontrast ist das definierende KI-Wirtschaftsargument: $25B Umsatz mit $14B Verlusten (OpenAI) vs. $10.9B Umsatz mit $559M Gewinn (Anthropic). KI-Wirtschaft ist nicht deterministisch — die Compute-Kostenkurve (71→56 Cent pro Umsatzdollar) ist der Differenzierer, nicht die Umsatzskala.

3. GPT-5.6 Sol Ultrafast — bis zu 14× Geschwindigkeit auf Cerebras-Hardware. OpenAI zeigte Ultrafast-Modus — GPT-5.6 Sol bei bis zu 14× der Geschwindigkeit der Standard-Verarbeitung, auf Cerebras Wafer-Scale-Hardware. Der erste konkrete Produktionsdatenpunkt für Wafer-Scale-Inferenzbeschleunigung auf einem Frontier-Modell. Die Kostenfront hat jetzt vier Optimierungsvektoren: Modell-Routing (Nemotron Switchyard), Infrastruktur-Optimierung (Dynamo 0.4 disaggregated serving), Hardware-Spezialisierung (Cerebras 14×), Preisboden-Wettbewerb (Luna $0.20, DeepSeek Umkehr).

4. DeepSeek V4 Flash Preiserhöhung — $0.14 → $0.27 pro Million Tokens am 14. August, fast verdoppelt. Die erste Preiserhöhung eines Low-Cost-Open-Model-Anbieters. Ehrlichkeitsmarker: Die Inferenzökonomie-Geschichte ist nicht monoton fallend. DeepSeek erhöhte den Preis von V4 Flash von $0.14 auf $0.27/M. Die Preisumkehr invalidiert die Kostenverfall-These nicht — sie bestätigt, dass die Kostenfront durch Wettbewerb gesetzt wird, nicht durch die Preisstrategie eines einzelnen Anbieters.

Die These ist auf vier Achsen gestärkt: die Effizienzkurve erreichte das P&L eines Frontier-Labors (Anthropic 71→56 Cent), der KI-Wirtschaftskontrast bewies Nicht-Determinismus (OpenAI $14B Verlust vs. Anthropic $559M Gewinn), der Hardware-Spezialisierungsvektor erhielt einen konkreten Datenpunkt (Cerebras 14×), und die Kostenfront erhielt ihre erste Preiserhöhung (DeepSeek $0.14→$0.27). Die Bindung bleibt die Integrationsschicht — $10 Prozess- und Governance-Arbeit pro $1 Modellausgabe.

Update — 2026-08-16: Databricks $190B Bewertung — die Dateninfrastruktur-Fondationsthese validiert

Databricks schloss eine strategische Finanzierungsrunde bei etwa $190B Bewertung ab (August 2026) mit einer annualisierten Umsatzlaufrate von $7B — gegenüber $5.4B im Februar, eine Beschleunigung von 65% auf über 80% Jahreswachstum. Für die Inferenzökonomie-These ist die Databricks-Bewertung die stärkste kommerzielle Validierung des Dateninfrastruktur-Fondationsarguments: die Datenplattform-Schicht kapitalisiert Umsatz schneller als die Modellschicht. Das Modell ist 10% der Kosten, Integration ist 90%.

Ein Hintergrund-Agent, der 24/7 einen Procurement-Posteingang überwacht und Angebot-Antworten entwirft, war früher ein kostenprohibitives Experiment. Im Januar 2026 hätte die Inferenz allein über 2.000 $ pro Woche gekostet. Ende Juli kostet sie unter 50 $. Das Modell ist nicht mehr der teure Teil eines Produktions-Agenten — und diese Veränderung geschah schneller als jede Prognose, in Echtzeit-Preissenkungen innerhalb einer einzigen Modellgeneration. Aber der Kostenverfall hat die Blockade des Builds nicht aufgehoben: Für jeden 1 $ Modellausgaben sind weiterhin 10 $ an Prozess-, Governance- und Integrationsarbeit erforderlich. Dieser Artikel kartiert, was der 1.000×-Inferenzkostenverfall für die Architekturentscheidung bedeutet, vor der jedes B2B-Team steht: ob Always-On-Produktionsagenten gebaut werden sollen und was diesen Build jetzt tatsächlich blockiert, wo das Modell nicht mehr der teure Teil ist.

Update — 2026-08-15: DeepSeek Harness Code-Modus und HubSpot Q2 2026 veröffentlichte Pro-Kredit-Raten

1. DeepSeek Harness Code-Modus — fünf Round-Trips zu einem Aufruf komprimiert. 2. HubSpot Q2 2026 Pro-Kredit-Raten veröffentlicht. 1 Kredit = $0.01. Customer Agent 50 Kredits/Gespräch ($0.50). Prospecting Agent 100 Kredits/Lead ($1.00). Data Agent 10 Kredits/Prompt ($0.10). Content Agent 1.000 Kredits/Stück ($10).

Kernpunkte

• OpenAI senkte Luna am 30. Juli 2026 um 80% auf 0,20 $/1,20 $ pro Million Tokens — die größte eintägige Frontier-Preissenkung, die je aufgezeichnet wurde. Amazon Bedrock spiegelte die Senkungen am selben Tag, und der Fast-Modus von Sol bietet 2,5× Geschwindigkeit bei 2× Preis. Der 1.000-fache Kostenzusammenbruch ist kein mehrjähriger Bogen mehr; er geschieht in Echtzeit-Preissenkungen innerhalb einer einzigen Modellgeneration.
• 29% des Produktions-Token-Volumens laufen auf Open-Weight-Modellen bei unter 4% der Ausgaben (Vercel AI Gateway Production Index, Juli 2026) — Routing-Disziplin ist bereits in Produktionsdaten sichtbar. Das günstigste fähige Modell pro Aufgabe ist eine Konfigurationsentscheidung, kein Forschungsprojekt.
• Inferenz macht 67% des AI-Computings aus, gegenüber 33% im Jahr 2023, und 55% der AI-Cloud-Ausgaben (37,5 Mrd. $) — das Kostenzentrum verlagerte sich von Training auf Serving, wo Preissenkungen sich summieren. Always-On-Agenten, die vor einem Jahr unerschwinglich waren, sind jetzt wirtschaftlich tragfähig.
• 10 $ Prozess-, Governance- und Integrationsarbeit für jeden 1 $ Modellausgaben (xccelera.ai, 2026) — das Modell ist 10% der Kosten eines Produktionsagentensystems. Die anderen 90% sind die Integrationsschicht: MCP-Module, Wissensgraphen, Audit-Trails, Human-in-the-Loop-Prüfpunkte, Fehlerbehebung. Günstigere Modelle lösen das nicht.
• Fiddler AI berichtet über 70–95% Agenten-Fehlerraten in Produktion — billigere Inferenz senkt nicht die Fehlerraten; sie macht Fehler billiger zu produzieren. Die Investition in Governance und Observability ist es, die einen ausgelieferten Agenten von einem, der still scheitert, unterscheidet.

Der Kostenzusammenbruch ist in Echtzeit, nicht retrospektiv

Der Standard-Rahmen der Inferenzökonomie verfolgt einen mehrjährigen Bogen: 20 $ pro Million Tokens Anfang 2023 auf unter 1 $ heute, ein Rückgang um das 20–50-fache. Dieser Rahmen ist jetzt irreführend. Der Rückgang beschleunigt sich, verlangsamt sich nicht. In einer einzigen Woche Ende Juli 2026 trafen drei Preissenkungen gleichzeitig auf die Frontier:

1. OpenAI Luna -80% (30. Juli): 0,20 $/1,20 $ pro Million Tokens. Luna ist das Standard-Hintergrundagentenmodell bei Ramp, Cognition (Devin Fusion) und Dust. Ein Hintergrundagent, der eine Beschaffungswarteschlange rund um die Uhr überwacht, kostet jetzt Cent-Beträge pro Tag an Inferenz.
2. Claude Opus 5 bei 5 $/25 $ (24. Juli): die Hälfte von Fable 5s 10 $/50 $. Die Frontier-Schicht wurde ohne Fähigkeitsregression günstiger — Opus 5 führt SWE-bench Verified mit 97,00% an.
3. Gemini 3.6 Flash bei 1,50 $/7,50 $ (21. Juli): 17% weniger Ausgabe-Tokens als 3.5 Flash bei agentischer Arbeit, bis zu 65% weniger bei langen Horizont-Aufgaben. Gleicher Intelligence Index 50 — günstiger und schneller, nicht klüger.

Das Muster zwischen Anbietern ist konsistent: Jede Veröffentlichung optimiert Preis-Leistung auf demselben oder einem höheren Intelligenzniveau. Die Frontier wird gleichzeitig am oberen (Opus 5) und am unteren (Luna) Ende günstiger. Ein Team, das im Januar 2026 50.000 $/Monat für Agenten-Inferenz budgetierte, kann dieselbe Arbeitslast im August 2026 für unter 5.000 $ ausführen — ohne die Modellarchitektur, den Prompt oder die Aufgabendefinition zu ändern.

Was sich geändert hat: Inferenz wanderte vom Training zum Serving

Im Jahr 2023 war AI-Computing zu 67% Training und zu 33% Inferenz. Im Jahr 2026 kehrte sich dieses Verhältnis um: Inferenz macht nun 67% des AI-Computings und 55% der AI-Cloud-Ausgaben aus. Gartners Prognoserevision vom 27. Juli setzt weltweite IT-Ausgaben auf 6,37 Billionen $ in 2026 (+14,2%), mit Rechenzentrums-Systemen, die um 62,5% auf 822 Mrd. $ wachsen, und IaaS, das um 29,3% auf 287 Mrd. $ wächst. Gartners John-David Lovelock nannte den AI-Computing-Aufbau „das größte Infrastrukturprojekt, das die Menschheit je versucht hat“.

Die Verlagerung der Ausgaben vom Training zum Serving ist strukturell bedeutsam für die Agentenarchitektur. Trainingskosten sind versenkt — ein Frontier-Modell kostet Hunderte Millionen, unabhängig davon, ob man es nutzt. Serving-Kosten sind variabel — sie skalieren mit jedem Agentenaufruf, jedem Tool-Aufruf, jedem Retrieval-Schritt. Wenn Serving die Kostenstruktur dominiert und Serving-Preise an einem Tag um 80% fallen, kippt die Ökonomie von Always-On-Agenten. Ein Agent, der 200 RFQs pro Woche überwacht, drei Lieferantenkataloge abfragt und Angebotsantworten verfasst, war bei 20 $/M Tokens wirtschaftlich marginal. Bei 0,20 $/M Tokens sind die Inferenzkosten ein Rundungsfehler gegenüber der Personalzeit, die er ersetzt.

Die 10:1-Relation: Warum günstigere Modelle den Build nicht entriegeln

Der Inferenzkostenzusammenbruch löst das einfachste Problem beim Deployment von Produktionsagenten. Das schwierigere Problem ist die Integrationsschicht.

xccelera.ais Unternehmensdaten von 2026 quantifizieren die Relation: Für jeden 1 $, der in AI-Technologie investiert wird, geben Unternehmen bis zu 10 $ für Prozessneugestaltung, Governance-Rahmen, Personalumbau und operationelle Integration aus. Das Modell ist 10% der Kosten eines Produktionsagentensystems. Die anderen 90% sind:

• MCP-Module, die den Agenten mit NetSuite, HubSpot, BigCommerce, ShipStation und Lieferantenkatalogen verbinden — jeder mit eigener Authentifizierung, Ratenlimits und der semantischen Lücke zwischen der API-Oberfläche und dem, was der Agent tatsächlich wissen muss.
• Wissensgraphen, die dem Agenten Produktkompatibilität, Ersatzteile und Lieferantenhistorie geben — strukturierte Kontexte, die ein rohes LLM nicht hat.
• Human-in-the-Loop-Prüfpunkte für sensible Aktionen: Angebotsfreigabe, Bestellabwicklung, Lieferantenkommunikation. Das Kill-Switch-Muster ist für B2B-Workflows nicht optional.
• Audit-Trails und Observability: jeder Tool-Aufruf, jeder Modellaufruf, jede Entscheidung protokolliert und nachverfolgbar. OWASP MCP08 (Fehlen von Audit und Telemetrie) ist ein MCP-Top-10-Risiko aus gutem Grund.
• Fehlerbehebung: Retry-Logik, Fallback-Ketten, Timeout-Strategien für langlaufende Aufgaben. Fiddler AIs 70–95% Produktions-Fehlerrate wird durch kumulative Fehler, Tool-Ausfälle und Halluzinationen angetrieben — nicht durch Modellkosten.

Günstigere Inferenz macht jeden Fehler günstiger zu produzieren, nicht weniger wahrscheinlich. Die Investition in Governance und Integration ist es, die einen ausgelieferten Agenten von einem, der still scheitert, unterscheidet. Ein Team, das die Luna-Senkung als Erlaubnis betrachtet, die Integrationsarbeit zu überspringen, bekommt günstigere Fehler, nicht weniger Fehler.

Dieser Artikel enthält ein einminütiges Erklärvideo, das zeigt, wo die Kosten eines Produktionsagentensystems tatsächlich liegen:

Der model-flexible Build: Pro Aufgabe routen, ohne Code-Deployment wechseln

Der Inferenzkostenzusammenbruch verändert die Modellauswahlfrage. Als Inferenz teuer war, lautete die Frage „welches einzelne Modell können wir uns leisten?“ Wenn Inferenz günstig ist, wird die Frage „welches Modell pro Aufgabe, und wie wechseln ohne den Agenten umzuschreiben?“

Die Antwort ist der model-flexible Build: eine Architektur, in der die Modellauswahl ein Konfigurationseintrag ist, kein Code-Deployment. Das Muster hat drei Komponenten:

1. Eine Routing-Schicht, die das Modell pro Aufgabe auswählt. Hintergrundüberwachung nutzt Luna bei 0,20 $/1,20 $. Entwurf von Angeboten nutzt Opus 5 bei 5 $/25 $. Produktsuche nutzt Gemini 3.6 Flash bei 1,50 $/7,50 $. Die Routing-Entscheidung basiert auf Aufgabenkomplexität, Latenzanforderungen und Kosten pro Aufruf — nicht auf welchen Anbieter das Team zuerst gewählt hat. Vercels Produktionsdaten bestätigen, dass dies bereits geschieht: 29% des Token-Volumens auf Open-Weight-Modellen bei unter 4% der Ausgaben.

2. MCP-Module, die modellagnostisch sind. Die Tools, die der Agent aufruft — NetSuite-Bestand abfragen, einen Lieferantenkatalog holen, eine Angebotsantwort verfassen, einen Wissensgraphen für Kompatibilität abfragen — werden einmal in der MCP-Schicht definiert. Das Modell ändert sich; die Tools nicht. Deshalb behandelt der MCP Module Code Standard die Modulstruktur als stabile Schnittstelle und die Modellauswahl als Laufzeitthema.

3. Eine Governance-Schicht, die nicht von der Vertrauenswürdigkeit des Modells abhängt. Human-in-the-Loop-Prüfpunkte, Audit-Trails und Kill-Switch-Architektur sind modellunabhängig. Das proportionale Governance-Muster — Autonomiestufen an Risiko anpassen — funktioniert gleich, ob der Agent auf Luna oder Opus 5 läuft. Fiddlers 70–95% Fehlerrate ist kein Modellproblem; es ist ein Systemproblem. Die Lösung sind Observability und Governance, kein teureres Modell.

Was die Finanzierungsdaten über den Markt bestätigen

Im H1 2026 erreichte die weltweite Startup-Finanzierung 510 Mrd. $, wobei OpenAI und Anthropic allein 217 Mrd. $ ausmachten — 43% aller Startup-Finanzierung. Anthropic beschaffte 65 Mrd. $ bei einer 965-Mrd.-$-Bewertung. Etwa 80% der Q2-Investitionen flossen in AI-fokussierte Startups. Kapital fließt zur Modellschicht.

CRVs Marktanalyse für 2026 bestätigt, dass die Anwendungsschicht „ausgedünnt“ wird — dünne AI-Wrapper ohne Integrationstiefe verlieren Finanzierung. Die Implikation für B2B-Teams ist direkt: Modellanbieter werden finanziert, um Inferenz günstiger zu machen, und die Unternehmen der Anwendungsschicht, die überleben, sind diejenigen, die das Integrationsproblem lösen, nicht diejenigen, die eine Modell-API umhüllen. IdeaBosques Positionierung — Plattform plus Lösungen, mit optionalem Code-Besitz — befindet sich in den 90% der Kostenstruktur, die die Modellschicht nicht adressiert.

Update — 2026-08-03: Claude Managed Agents Preisgestaltung — eine neue Kostenachse für die Inferenzökonomie

Anthropic hat am 3. August 2026 Claude Managed Agents gestartet — das erste Preisgestaltungsmodell einer Managed-Agent-Plattform von einem Frontier-Lab. Die Preisgestaltung fügt der Inferenzökonomie eine neue Dimension hinzu: Die Kosten eines gemanagten Agents sind nicht nur Token, sondern auch die Zeit, die er läuft.

1. $0,08 pro Sitzungsstunde, plus Token. Die Session-Runtime-Dimension ($0,08/Stunde) ist eine neue Kostenachse. Ein gemanagter Agent, der 24/7 läuft, akkumuliert ~$19,20/Woche an Sitzungsgebühren vor jeglichen Token-Kosten; einer, der 8 Stunden/Tag läuft, akkumuliert ~$6,40/Woche. Die Implikation fürs Routing: langlaufende Agents werden nun nach Dauer bepreist, nicht nur nach Token-Durchsatz, und die Kosten für Sitzungsstunden können die Token-Kosten für geringvolumige aber always-on Workloads (Posteingangsüberwachung, Queue-Wache) dominieren.

2. Anthropics eigene Schätzung: $37 pro 10.000 Support-Tickets bei ~3.700 Token pro Konversation. Dies ist das erste konkrete B2B-Kosten-Benchmark für eine Managed-Agent-Plattform. Bei $37/10.000 Tickets betragen die Agentenkosten pro Ticket $0,0037 — weit unter den pro-Ticket-Kosten eines menschlichen Support-Agenten. Das Benchmark ist ein Referenzpunkt für jedes Team, das die Kosten eines always-on Support-Agents modelliert: Die gemanagte Plattform bündelt Modell, Runtime und Orchestrierung und bepreist das Bundle pro Sitzungsstunde plus Token.

3. Token-Preisgestaltung (Input/Output pro MTok): Claude Opus 5 bei $5/$25, Claude Sonnet 5 bei $2/$10 (Einführungspreisgestaltung bis 31. August 2026), Claude Haiku 4.5 bei $1/$5. Die Sitzungsgebühr des gemanagten Agents ist additiv zu den Token-Kosten. Für eine Support-Workload bei ~3.700 Token/Konversation betragen die Token-Kosten auf Sonnet 5 (Einführung) ~$0,037/Ticket Input + ~$0,037/Ticket Output (bei etwa hälftiger Aufteilung), und die auf 10.000 Tickets in einem 8-Stunden-Fenster amortisierten Sitzungsstundenkosten betragen ~$0,0064/Ticket. Das Wertversprechen der gemanagten Plattform ist, dass Orchestrierung, Zustandsverwaltung und Tool-Call-Infrastruktur gebündelt sind — $0,08/Stunde ist der Preis, diese Schicht nicht selbst zu bauen.

4. Was sich in der Routing-Entscheidung ändert. Das Model-Flexible-Build-Argument erhält eine neue Option: die gemanagte Plattform mieten (Sitzungsstunde + Token, keine Integrationsarbeit) vs. das Modell auf einer Routing-Schicht self-hosten (nur Token, volle Integrationsarbeit). Das $10-Integration-zu-$1-Modell-Ausgaben-Verhältnis ist die Entscheidungsgrenze. Ein Team, dessen Integrationskosten die Sitzungsstunden-Gebühren der gemanagten Plattform übersteigen, sollte die Managed-Route evaluieren; ein Team, dessen Integration bereits gebaut ist, sollte Token zum günstigsten fähigen Modell routen und keine Sitzungsgebühr zahlen. Die gemanagte Plattform ist die „Buy"-Seite der Build-vs-Buy-Entscheidung konkretisiert mit einem Preisschild.

Die These wird gestärkt: Die Inferenzökonomie hat nun drei Kostenachsen — Token, Sitzungsstunden und Integration. Der 1.000× Token-Kosten-Kollaps hat always-on Agents erschwinglich gemacht; die Sitzungsstunden-Preisgestaltung des gemanagten Agents macht die Build-vs-Buy-Entscheidung quantifizierbar. Die bindende Restriktion bleibt die Integrationsschicht, und die gemanagte Plattform ist eine Antwort darauf — bei $0,08/Stunde berechnet die Plattform genau die Orchestrierungsarbeit, die das $10:$1-Verhältnis als den teuren Teil bezeichnet.

---

Update — 2026-10-02: Entscheidungsmodelle productisieren die Billigklassifizierungs-Stufe — Cloudflare Clef + AWS Strands Decider 2B

Der Kostensenkungsvektor, auf den die Arithmetik dieses Artikels zielt — die Ablagerung hochvolumiger, niedrig-ambiguity Klassifizierung von LLM-Aufrufen —, wurde an einem Tag zweifach productisiert: Cloudflares Clef und Clef-flash (Open Source, Apache-2.0) und AWS Strands Labs' Decider 2B gesellen sich zu TypeSafes Jev als kommerziell verfügbare Entscheidungsschichten (TREND-02 §3.1). Für die Always-on-Schleife, die dieser Artikel preist, können die Routing- und Guardrail-Aufrufe, die derzeit auf bepreiserten LLM-Stufen reiten, auf ein Entscheidungsmodell umziehen, das strukturierte Entscheidungen zu einem Bruchteil der Latenz und Kosten zurückgibt — was die Architektur des Kostenstacks ändert: Frontier-LLM-Ausgaben konzentrieren sich auf die Urteilsaufrufe, und das Klassifizierungs-Perimeter (Routing, Sicherheitsschwellen, Trace-Evaluation) zieht auf die billigste Schicht um, die eine Kalibrierung halten kann. Mit drei Anbietern in elf Tagen hört die Entscheidungsstufe auf, eine Kuriosität zu sein, und wird eine Beschaffungsposition — und die Per-Task-Deckel im Käufervertrag dieses Artikels gewinnen eine Modellklasse, die entwickelt ist, sie zu treffen.

Update — 2026-10-02: Anbieterfinanzierte Rechenleistung — Broadcom leiht Anthropic bis zu 42 Mrd. Dollar

Die Preisarithmetik, die dieser Artikel verfolgt, hat nun eine Finanzierungsdimension: Broadcom stimmte zu, Anthropic bis zu 42 Mrd. Dollar zu leihen, damit diese Broadcom-Chips least — die größte bis dato offengelegte KI-Hardware-Kreditvereinbarung (Reuters, 1. Oktober 2026). Für den Kostenstack erzeugt das einen Vektor, den die Per-Token- und Per-Task-Spalten nicht erfassen: Rechenleistung, gesichert auf der Bilanz des Anbieters, zurückgezahlt aus künftigen Einnahmen. Die strategische Lektüre für einen Käufer bleibt in der Richtung unverändert, wird in ihrem Mechanismus aber schärfer — Anthropics Frontier-Kapazität reitet nun auf zugesagter Anbieterfinanzierung, was das Anbieter-Kontinuitätsrisiko, das dieser Artikel dokumentiert (die DeepSeek-Auto-Routing-Episode, das Relay-Shutdown), in eine konkrete Form konzentriert: Ein Labor, dessen Rechenversorgung eine Verbindlichkeit auf den eigenen Büchern ist, ist ein Labor, dessen Preisverhalten durch Schuldendienst ebenso begrenzt ist wie durch Marge. Wenn der nächste Cost-per-Task-Vergleich landet, gehört die Finanzierungsstruktur hinter der Kapazität jedes Labs zur Arithmetik.

Aktualisierung — 2026-10-04: Lokale Entscheidungmodelle — der API-Roundtrip verlässt die billigste Schicht

Das Inferenzkostenmodell, das dieser Artikel pflegt, bekommt einen Datenpunkt auf der billigsten Ebene: llama.cpp serviert nun die Klasse der Entscheidungmodelle (Julia-1, Laya, Kev-4B, lev, OpenJev als GGUF, über einen /v1/systemone-artigen Endpunkt) und entfernt damit den API-Roundtrip aus einer Schicht, die existierte, um API-Ausgaben zu vermeiden. Die Entscheidungmodell-Ebene war bereits die mit den niedrigsten Grenzkosten im Stack; die lokale Runtime drückt ihre Kosten Richtung Grenzkosten null und verlagert die verbleibenden Ausgaben auf RAM/CPU-Bereitstellung. Die Routing-Mathematik ändert sich für immer-an-Agenten im Maßstab: lokale Entscheidungmodelle machen Per-Aktion-Gatekeeping erschwinglich bei Volumina, bei denen die Preisbildung pro API-Aufruf die Designbeschränkung war.

Update — 2026-10-07: GLM-5.3-Flash — fast-Frontier-Fähigkeit für ein Zehntel der Flagship-Range

Die stärkste Kollaps-Zeile des Ledgers kam am 7. Oktober 2026 an: GLM-5.3-Flash von Z.ai, ein nativ multimodales MoE mit 320B gesamt/18B aktiv zu 0,15 $/M Input, 0,50 $/M Output — ein Zehntel der 1,40/4,40 $ von GLM-5.3 (Z.AI blog). Die Pro-Dollar-Arithmetik ist die These, die dieser Artikel bepreist: Intelligence Index v4.1.1 57 bei 0,045 $/Task (rabattiert) — ein Fähigkeitsniveau, das laut Z.ai zuvor nur zum etwa zehnfachen Preis verfügbar war — mit Terminal Bench 2.1 bei 84.3 (innerhalb 1 Punkt zu Claude Opus 4.8) und AutomationBench bei 48.8, über Claude Opus 4.8 (41.0) und GPT-5.6 Terra (37.2) auf dem agentic-Workflow-Benchmark. In großem Maßstab auf chinesischen KI-Chips serviert mit dedizierter SGLang-Inferenz-Engine und behaupteter 3×-Verbesserung — die Hardware-Effizienz-Zeile des Ledgers gewinnt einen Nicht-NVIDIA-Datapoint. Die Nachfrageseite ist bereits sichtbar: MarketScale berichtet von Unternehmens-KI-Budgets, die in 1–2 Monaten austrocknen, während die Token-Kosten steigen, und AI Business Weekly zählt 62,5 % Wachstum der AI-Infrastrukturausgaben auf 822B$ in 2026, wobei nur 6 % der Adopters messbaren unternehmensweiten Profit erfassen — die Budget-Erschöpfungs-Datapoints, die die Pro-Task-Arithmetik von einer Optimierung zu einer Beschaffungsbeschränkung machen. Die Vertragsdisziplin des Käufers bleibt: Modell-IDs pinnen (GLM-5.3-Flash ist eine andere Range als GLM-5.3 — bestätige, wohin dein Gateway routet), auf Cost-per-Task mit Wochenobergrenze kontrahieren und die Arithmetik vor dem nächsten Tausch neu rechnen. Die Gewichte liegen unter derselben umsatzskalierten Lizenzfamilie auf Hugging Face, sodass die Self-Host-Route diese Zeile für Betreiber über dem Volumenschwellenwert komplett aus der Range streicht. Die GLM-5.3-Flash-Begleitanalyse trägt das vollständige Pricing- und Governance-Breakdown.

Die Marktstruktur um die Ranges beschleunigt parallel: Q4 2026 eröffnete mit 260M$ offengelegter AI-Agenten-Finanzierung — Armadins 255,5M$-Serie B (KI-native Cybersicherheit, a16z + Accel, Bewertung 2,5B$+) und Instincts 1B$-Serie C bei einer Bewertung von 10B$ für einen persönlichen KI-Assistenten — die Inferenz-Nachfrage wird in demselben Takt kapitalisiert, in dem die Preise kollabieren.

Update — 2026-10-17: DeepSeek-V4.1-Flash-1017 — der 91,5-%-Cache-Hit ist die effektive Preisliste

DeepSeeks Snapshot vom 17. Oktober hob das Modell hinter dem Alias deepseek-flash auf V4.1-Flash-1017, ohne die Preisliste anzutasten — und bewegte den effektiven Preis: Der offizielle Endpoint meldet eine Cache-Hit-Rate von 91,5 %, die den tatsächlich gezahlten Inputpreis nahe 0,017 $ pro Million Tokens gegen den 0,15-$-Miss-Preis Off-Peak setzt — die günstigste erfasste Betriebskosten-Position in den Tabellen dieses Artikels, erzielt ohne einen einzigen Preisschnitt (Hugging-Face-Karte). Cache-Hit-Input liegt bei 0,003/0,006 $ (Off-Peak/Peak) — ein Hit kostet 2 % eines Miss — der gewichtete Inputpreis ist damit eine Funktion der Kontextwiederverwendung der Workload, nicht der Preisliste. Die Beschaffungsdisziplin dieses Artikels gewinnt eine Klausel: Der Cache-Anteil ist eine kaufbare Eigenschaft des Prompt-Designs (stabile Präfixe, stabile Schemata, abgerufener Kontext vor flüchtigem Inhalt). Derselbe Release öffnete DeepSeeks Search-&-Fetch-APIs zu 0,75 $ je 1.000 Aufrufen. Die vollständige Snapshot-Analyse trägt die Kartenzeilen, die Cache-Arithmetik und die vier kontrollierbaren Hebel.

Weiterführende Literatur

• Der 0,017-$-Agent: DeepSeeks 1017-Snapshot senkt die Aufgabenkosten, ohne die Preise anzutasten — der Begleitartikel mit den Cache-Ökonomie-Zeilen vom 17. Oktober: eine Cache-Hit-Rate von 91,5 % am offiziellen Endpoint senkt den effektiven Input auf rund 0,017 $/1M — bei unveränderten Listenpreisen
• Open-Weight-Modelle überquerten die agentische Frontier — das Argument für den model-flexible Build von der Open-Weight-Seite, mit Produktions-Routing-Daten von Kimi K3 und GLM 5.2
• [30 % günstiger pro Aufgabe, 7x so viele Tokens: Die Effizienzfalle von Sonnet 5.5 — die Launch-Lektüre vom 28. September zur Kosten-pro-Aufgabe-Arithmetik: 193k Tokens/Aufgabe bei max Aufwand machen das Modell „30 % günstiger“ zur teuersten gemessenen Aufgabe der September-Tabelle
• MCP-Modul-Code-Standard — das Strukturmuster, das Custom-Module über alle Konnektoren und Modellwechsel production-ready macht
• Proportionale Agenten-Governance: Warum binäres Vertrauen scheitert — das Autonomie-Stufen-Framework, das „günstig zu betreiben“ von „sicher zu betreiben“ unterscheidet

Update — 2026-08-05: NVIDIA Groq 3 LPU — die Hardware-Dimension des Inferenz-Kosten-Kollapses

Der Inferenz-Kosten-Kollaps passiert nun über den gesamten Hardware-Stack, nicht nur den Modellpreis-Stack. NVIDIAs Groq 3 LPU (auf der GTC 2026 angekündigt, gepaart mit dem Vera Rubin NVL72-System) beansprucht 35× mehr Inferenz-Durchsatz pro Megawatt gegenüber HBM-basierten GPUs — etwa 150 Tokens pro Watt für vergleichbare Modellgrößen.

1. 35× Inferenz-Durchsatz pro Megawatt. Der Groq 3 LPU zielt auf Agentic-AI-Inferenz bei 1.500 Tokens pro Sekunde. Ein voller Rack liefert 315 PFLOPS, 128 GB SRAM und 40 PB/s Speicherbandbreite.

2. Der Kostenkollaps ist nun eine Zwei-Stack-Geschichte. Der Groq 3 LPU fügt die Hardware-Dimension hinzu — dieselbe Inferenz-Workload kostet weniger, weil der Chip mehr Tokens pro Watt liefert.

3. Was sich in der Routing-Entscheidung ändert. Die Routing-Schicht wählt das Modell pro Aufgabe, und die Inferenz-Hardware bestimmt die Kosten pro Token. Ein Team mit Groq 3 LPUs kann ein Modell zu 35× niedrigeren Energiekosten bereitstellen.

---

Update — 2026-08-06: BenchLM August 2026 leaderboard — Grok 4.5, Nemotron 3 Nano Omni, LFM2.5-2.6B

The BenchLM leaderboard refreshed August 5, 2026, adding three decision-ready data points to the cost-frontier section of this article:

1. Grok 4.5 — 91% of frontier quality at 88% lower output cost. Grok 4.5 earns "best near-frontier value" on the BenchLM August refresh: 91% of the top score at 88% lower output cost. The 91%/88% ratio is the price-to-performance data point that reshapes deployment decisions — a model that delivers near-frontier quality at near-open-weight cost. For the model-flexible build, this is the routing sweet spot: tasks that need frontier-class quality but not frontier-class cost route to Grok 4.5 instead of Opus 5. The gap between Grok 4.5 (91% at 88% lower cost) and the open-weight frontier (DeepSeek V4-Flash 0731 at Intelligence Index 50, ~60% cheaper than Luna) is the decision space the routing layer operates in.

2. Nemotron 3 Nano Omni — fastest at 323 tok/s, 30B total / 3B active MoE. Nemotron 3 Nano Omni is the fastest model on the BenchLM leaderboard at 323 tokens per second. The architecture is a sparse Mixture-of-Experts (30B total parameters, 3B active) — the same architecture pattern (sparse MoE) that DeepSeek V4-Flash 0731 uses (284B total / 13B active). The 323 tok/s figure is the architecture-level cost collapse this article's NVIDIA Groq 3 update describes, but at the model layer: sparse MoE delivers frontier-adjacent quality at a fraction of the active-parameter cost. The inference-cost-collapse-from-architecture thesis this article makes is now validated at two layers — the hardware layer (Groq 3 at 35× per megawatt) and the model architecture layer (sparse MoE at 3B active parameters delivering 323 tok/s).

3. LFM2.5-2.6B — agents on-device. LFM2.5-2.6B runs agents entirely on-device — the edge deployment dimension of the inference cost collapse. A 2.6B-parameter model that can run an agent loop on a laptop or a phone is the extreme of the cost frontier: zero per-token cost, zero latency, zero data egress. For the routing decision, LFM2.5-2.6B is the option for workflows where data residency (the inference never leaves the device) or latency (sub-millisecond local inference) is the binding constraint, not throughput. The model-flexible build now has a device-tier routing option alongside the cloud tiers.

The BenchLM BenchAlign leaderboard shows the open-weight/frontier gap at ~17% (MiniMax M3 at 68.8 vs Claude Mythos 5 at 83.04) — wider than the ~11-point gap on the Intelligence Index. The gap is narrowing at the capability frontier (Grok 4.5 at 91%) while the cost frontier drops across every tier simultaneously. The cost-frontier section now has eight data points: Luna at $0.20/$1.20, DeepSeek V4-Flash 0731 at $0.14/$0.28, Claude Managed Agents at $0.08/session-hour, Qwen3.8-Max at $2/$6, Grok 4.5 at 91%/88%-lower-cost, Nemotron 3 Nano Omni at 323 tok/s, LFM2.5-2.6B on-device, and the NVIDIA Groq 3 LPU at 35× per megawatt. The pattern is consistent across all eight: every release optimizes price-performance at the same or higher intelligence level, and the cost collapse is happening at the model layer, the hardware layer, and the platform layer simultaneously.

---

Update — 2026-08-04: Qwen3.8-Max Preisgestaltung — die Open-Weight-Kosten-Frontier sinkt weiter

Die Qwen3.8-Max API-Preisgestaltung wurde bei $2 pro 1M Input-Token und $6 pro 1M Output-Token bestätigt, mit implizitem Cache bei $0.25/M (QwenCloud, OpenRouter, glbgpt.com, windowsforum.com, 4. August 2026). Das unterbietet Kimi K3 ($3/$15) deutlich — 33% günstiger bei Input und 60% günstiger bei Output — und fügt der Kosten-Frontier-Sektion einen neuen Datenpunkt hinzu.

1. $2/$6 pro Million Token für ein 2.4T-Parameter-Modell (95B aktiv MoE). Qwen3.8-Max ist die erste Open-Weight-Release auf Max-Skala von einem großen Lab, und die Preisgestaltung macht es zum günstigsten Max-Skala-Modell auf dem API-Markt. Die Kosten-Frontier hat nun vier Open-Weight-Optionen auf unterschiedlichen Preis-Punkten: DeepSeek V4-Flash 0731 bei $0.14/$0.28 (Intelligence Index 50, das günstigste fähige Modell), Qwen3.8-Max bei $2/$6 (Max-Skala, langfristige autonome Arbeit), GLM-5.2 bei $0.60/$2.20 (defensive Nutzung), und Kimi K3 bei $3/$15 (rohe Fähigkeit, 93.40% SWE-bench). Die Routing-Entscheidung ist nun across vier Preis-Tiers, nicht zwischen Open-Weight und geschlossener Frontier.

2. Der Open-Weight-Kostenvorteil kumuliert gegen die geschlossene Frontier. Claude Opus 5 bei $5/$25 ist 2.5× teurer als Qwen3.8-Max bei Input und 4.2× bei Output — für ein Modell, das SWE-bench Verified bei 97.00% anführt vs Kimi K3's 93.40% (Qwen3.8-Max wurde noch nicht von Artificial Analysis bewertet). Die Kosten-Lücke schließt sich schneller als die Benchmark-Lücke: die Open-Weight-Frontier ist innerhalb von 3.6 Punkten auf SWE-bench, während sie 60-75% günstiger ist. Für einen Model-Flexible-Build kann die Routing-Schicht nun Qwen3.8-Max für langfristige autonome Arbeit (10+ Tage autonomes Codieren, 125 Stunden Forschungs-Reproduktion) zu einem Bruchteil der Frontier-Kosten auswählen.

3. Was sich in der Routing-Entscheidung ändert. Die Kosten-Frontier-Sektion dieses Artikels hat nun fünf Datenpunkte: Luna bei $0.20/$1.20 (um 80% gesenkt am 30. Juli), DeepSeek V4-Flash 0731 bei $0.14/$0.28 (Intelligence Index 50, 31. Juli), Claude Managed Agents bei $0.08/session-hour (3. August), und Qwen3.8-Max bei $2/$6 (4. August). Das Muster ist konsistent: jedes Release optimiert Preis-Leistung auf demselben oder höheren Intelligenz-Level. Die Frontier wird gleichzeitig oben (Opus 5) und unten (DeepSeek V4-Flash) günstiger, und die Open-Weight-Optionen fügen neue Preis-Tiers (Qwen3.8-Max auf Max-Skala) hinzu, die vor einer Woche nicht existierten. Ein Team, das $50.000/Monat für Agent-Inferenz im Januar 2026 budgetiert hat, kann nun across fünf Modelle auf fünf Preis-Punkten routen — das günstigste fähige Modell pro Aufgabe ist eine Konfigurationsentscheidung, kein Forschungsprojekt.

Update — 2026-10-26: die Auto-Routing-Korrektur und DeepSeeks 15-Mrd.-$-Bilanzzeile

Eine Veraltetkeitskorrektur zum Update vom 10. September oben: Das angekündigte Auto-Routing trat nie in Kraft. DeepSeeks Change-Log (Abschnitt vom 10. September, am 26. Oktober 2026 erneut gelesen) vermerkt: „In response to user demand, we have decided to continue providing API services for DeepSeek V4 Pro after September 14, 2026, with the billing method remaining unchanged" (Change-Log), während die weiterhin live Online-Ankündigungsseite den ursprünglichen Routing-Befehl ohne jede Widerrufung auf der Seite selbst trägt (api-docs.deepseek.com) — die zwei Vendor-Oberflächen widersprechen sich bereits auf ihren Gesichtern. Für die Kosten-Governance-These ist die Korrektur ein Upgrade, kein Rückzug: Ein Vendor kann eine Substitution ankündigen, sie einseitig widerrufen und beide Aufzeichnungen bestehen lassen; das in der Antwort bediente Modell bleibt die Grundwahrheit, und die Routing-Schicht (der Artikel zum Modellwechsel) bleibt die Kontrolle. Zweitens die Finanzierungszeile, nun auf benannte Quellen deriskiert: DeepSeek hat in einer zweiten privaten Runde rund 15 Mrd. $ aufgenommen — etwa 100 Mrd. Yuan, mit Tencent und CATL unter den größten Investoren — bei einer Pre-Money-Bewertung von 74 Mrd. $ (89 Mrd. $ Post-Money, wie berichtet); Gründer Liang Wenfeng sagte Investoren im September, das Unternehmen erziele Einnahmen in annualisierter Höhe von 1 Mrd. $ und strebe einen Shanghai-STAR-Market-IPO an, während es sich mit Huawei verbündet, um das Training auf chinesische Chips zu verlagern (qz.com; TechStartups — Relais von WSJ/Bloomberg-Berichten). Der billigste glaubwürdige Anbieter von Always-on-Agent-Compute hat jetzt strategische Investorentiefe, eine IPO-Landebahn und einen Chip-Diversifikationspfad — das Vendor-Kontinuitätsrisiko auf dieser Spur sinkt, und die September-Episode der Modellidentität bleibt die stehende Warnung.

Update — 2026-09-30: Gemini 4 Argon vervollständigt das Cost-per-Task-Exhibit-Set aus drei Labs

Das Exhibit-Set, das dieser Artikel den ganzen Monat zusammengetragen hat, hat sein drittes Lab gewonnen: Google veröffentlichte Gemini 4 Argon am 30. September 2026 — Googles erstes Nicht-Flash-Frontier-Modell seit über sieben Monaten — mit 53 auf dem AA Intelligence Index, gleichauf mit GPT-6 Astra. Zum Promotionspreis ($4/$20 derzeit 50 % reduziert auf $2/$10) misst AA Argon mit $1.99 pro Intelligence-Index-Aufgabe — 60 % von Astras $3.26, aber 2,7× von GPT-6.1 Sols $0.74, das sich selbst mit einem Fünftel der Kosten mit Astra gleichzieht. Sonnet 5.5 vollendet das Set aus der Token-Effizienz-Richtung: 56 auf dem Index bei unveränderter $2/$10-Rate-Card, aber ~193.000 Output-Tokens pro Index-Aufgabe bei maximaler Anstrengung schlagen mit $7.60 zu Buche — rund 50 % über Sonnet 5. Die Drei-Lab-Lesart für einen Inferenz-Käufer: Dieselbe Intelligenz der 50er-Klasse kostet jetzt $0.74, $1.99 oder $7.60 pro Aufgabe — je Release-Strategie: price-led, Capability-mit-Rabatt, Capability-mit-Token-Rechnung. Argons Cache-Input mit 95 % Rabatt ($0.10/1M) ist der Begleit-Datenpunkt des cache-led-Wegs, und seine branchenführende 1M-Token-Output-Grenze dreht die Always-on-Ökonomie in die andere Richtung: Eine kontinuierliche Reasoning-Schleife zerfällt nicht mehr an einer 64K-Grenze, sodass die Output-seitige Rechnung eines Long-Horizon-Agenten sich jetzt konzentrieren statt zersplittern kann.

Eine Vorsicht, die Sonnet 5.5s Lektion spiegelt: Der Promotionspreis ist keine Rate-Card. Argons $2/$10 ist ein Rabatt, dessen Beibehaltung Google nicht zugesagt hat; die Post-Promotion-Kosten messen $3.98 pro Aufgabe (rund 1,2× Astra). Vertrag auf der Post-Promotion-Zahl abschließen oder das Ende der Promotion in den Beschaffungskalender eintragen — die Rabattstruktur ist selbst die Routing-Entscheidung eines vierten Labs, dasselbe adjacent zum Auto-Routing liegende Substitutionsrisiko, das der DeepSeek-V4.1-Flash-Vorfall dokumentierte.

Update — 2026-10-01: die Always-on-These bekommt ihr Frontier-Exponat — Argon-Agenten geben 300 TiB autonom frei

Der MENA-Crosspost des Argon-Announcements vom 1. Oktober (blog.google) ergänzt das Internal-Use-Case-Detail, das der Always-on-These dieses Artikels gefehlt hat: Argon-Agenten analysierten flottenweite Profiling-Telemetrie, identifizierten autonom Speicheroptimierungen über Googles Rechenzentren hinweg und wandten sie an — über 300 TiB Speicher freigegeben, mit geschätzten 500 TiB bis 1 PiB Gesamteinsparung. Argon schlug zudem eine publizierte Quanten-Algorithmus-Optimierungs-Baseline um 40 % bei Spacetime-Ressourcen (Qubits × Gates) „in Minuten“. Das ist das konkrete Exponat für die Behauptung, dass Always-on-Agenten sich auf Infrastrukturskala selbst bezahlen: Die Aufgabe der Agenten war nicht, Nutzer zu beantworten, sondern kontinuierlich Telemetrie zu lesen und Optimierungen anzuwenden — das exakte operationale Profil der Always-on-Schleife, die dieser Artikel kalkuliert. Der Blog gibt außerdem an, dass Argon bei Gray Swans Indirect Prompt Injection (IPI)-Benchmark durch automatisiertes Red-Teaming und adversariales Training führt — der Modell-Level-Prompt-Injection-Datenpunkt für die MCP-Sicherheits-Checklisten-Familie.

Update — 2026-09-29: die wöchentliche Preis-Kriegs-Bilanz — drei Release-Strategien, eine Kosten-pro-Aufgabe-Tabelle

Die Preis-Kadenz, die dieser Artikel verfolgt, ist inzwischen wöchentlich, und die September-Releases lösen sich in drei Release-Strategien auf, die ein Inferenz-Käufer nebeneinander preisen muss (pricepertokens September-Ledger zählt 181 Preisänderungen von 671 getrackten Modellen in diesem Monat): preisgeführt — OpenAIs GPT-6 Sol zu $2/$10, seine Luna-Stufe zu $0,10/$0,50, und GPT-6.1 Sol eine Woche später zu denselben $2/$10 mit nahezu Astra-Intelligenz (OpenAI) — kauft Frontier-Fähigkeit zu Rohstoffpreisen. Cache-geführt — Anthropics Opus 5.5 zu $4/$20 mit Cache-Reads zu −60 % — kauft schreiblastigen Agenten-Loops ein Repricing der dominanten Kostenschlange. Fähigkeitsgeführt — Claude Sonnet 5.5s Release am 28. September zur unveränderten $2/$10-Preisliste, aber mit Artificial Analysis, die ~193.000 Output-Tokens pro Intelligence-Index-Aufgabe bei maximaler Anstrengung misst — die höchste Token-Rechnung, die AA je verzeichnet hat, grob 7× GPT-6 Astras pro Aufgabe — zeigt die Effizienzfalle: „bis zu 30 % günstiger pro Aufgabe" konkurriert gegen eine tatsächlich gemessene Kosten-pro-Aufgabe von $7,60, ~50 % über Sonnet 5 (AA; die vollständige Arithmetik steht in der Sonnet-5.5-Analyse). Zwei Routing-Integritäts-Exponate komplettieren den Monat: OpenAIs Smart Route (25. September) wählt automatisch zwischen bepreisten Stufen — der anbieterseitige Router, den die Audit-Log-Anleitung dieses Artikels abdeckt, nun ein Standard statt ein Vorfall; und MiMo-V2.6-Pro (1,02T gesamt / 42B aktiv, MIT-lizenziert) wurde zum bislang höchstbewerteten Open-Weight-Modell auf dem AA Intelligence Index bei 46 und preist den Open-Weight-Boden neu, auf dem bereits 29 % des Token-Volumens fahren. Ein Vorbehalt regiert jeden modellübergreifenden Vergleich in diesem Update: Die Intelligence-Index-Scores von AA werden über Releases neu basiert, also ist ein aus einem anderen Rebaseline zitierter Score nicht vergleichbar — mischen Sie niemals Indizes über Rebaselines hinweg. Der Vertrag des Käufers hat sich seit der Lektüre vom 11. September nicht geändert; der Preis, ihn zu ignorieren, schon: Modell-IDs pinnen, auf Kosten-pro-Aufgabe kontrahieren mit wöchentlicher Obergrenze, und die Arithmetik vor dem nächsten Modellwechsel neu durchrechnen — der, bei dieser Kadenz, Tage entfernt ist.

Update — 2026-10-06: das Inferenz-Ökonomie-Ledger bekommt drei souveräne Open-Weight-Preislinien — ML4, Beam, Kolibri-1

Mistral Large 4 (ML4, Public Preview 6. Oktober 2026). Ein nativ multimodales MoE mit 1T Parametern / 49B aktiv von Mistral, trainiert auf 3.800 NVIDIA Grace Blackwell GPUs in Mistrals eigenen europäischen Rechenzentren (Series D über €3 Mrd. — die größte Eigenkapitalrunde eines europäischen Technologieunternehmens). Preise $1.36/M Input, $4.18/M Output — eine neue europäische souveräne Open-Weight-Linie, die das Ledger neben den September-Strategien führen muss. Aber der Datenpunkt, den dieser Artikel am sorgfältigsten bewertet, ist Fähigkeit pro Dollar bei voller Anstrengung: ML4 liefert 82% bei reproduce-and-patch (die höchste Cybersecurity-Wertung aller gemessenen Modelle; Claude Opus 5.5 und GPT-6 Astra erreichen nahezu null, weil sie die Aufgabe verweigern) — der Security-Workload-per-Dollar-Datenpunkt, den der souveräne Käufer anders bewertet als der Consumer-API-Käufer. Gewichte zum Monatsende; ein Self-Host-Pfad ersetzt die Rate Card vollständig.

Reflection AI Beam. Ein sparsames MoE mit 501B / 23B aktiv, trainiert über mehr als 100M RL-Rollouts auf 10,5K NVIDIA GB300 GPUs — konkurrenzfähig mit GLM-5.2 und nahe an Qwen 3.8-Max beim Coden und bei Agenten-Aufgaben, bei 3–4× weniger Inferenz-Compute(SWE-Bench Verified 80,9%, Terminal-Bench v2.1 80,1%, MCP Atlas 78,7%). Der Compute-Effizienz-Datenpunkt, den die Capability-per-Task-Zeilen des Ledgers von einem westlichen Anbieter fehlten: ein 501B-Modell, das sich verhält wie ein viel kleinerer aktiver Footprint, Nvidia-gestützt ($4,7 Mrd. raised, $25B pre-money), Apache-2.0-Gewichte diesen Monat, mit einem "AI-Factory"-Pitch für souveränes Deployment (Partnerschaft mit Shinsegae in Südkorea).

Kolibri-1 (Aleph Alpha, 3. Oktober). MoE mit 78,1B Gesamt-/3,46B aktiven Parametern, 384 geroutete Experten (6 aktiv pro Token), zweisprachig Deutsch/Englisch, 262K Kontext erweiterbar auf 1M, Apache 2.0, gebaut und trainiert in Deutschland und Finnland — die deutsche souveräne Open-Weight-Linie, neben der französischen.

Für die Ledger-Struktur: die drei Release-Strategien des September (price-led, cache-led, capability-led) bleiben der Rahmen, aber eine vierte Sourcing-Dimension wird jetzt unabhängig bewertet — Souveränität : wo die Gewichte leben, wer Ihre Workload verweigern kann, und was Self-Hosten gegenüber der Rate Card kostet. Ein Käufer, der ML4s $1.36/$4.18 gegen die Sonnet-Klassen-per-Task-Arithmetik und Beams 3–4×-Effizienz gegen die GLM-5.2-Klasse stellt, übt genau die Disziplin aus, die dieser Artikel verlangt: die Arithmetik vor dem nächsten Modellwechsel neu durchrechnen — und die Wechsel kommen jetzt wöchentlich aus drei Regionen.

Update — 2026-10-15: Muse Spark Open + Apple MLX — die Desktop-Cluster-Topologie-Zeile

Die Kostenoptimierungs-Vektoren dieses Artikels enthalten jetzt einen Desktop-Cluster-Topologie-Datapoint. Metas Muse Spark Open (15. Oktober 2026) veröffentlicht einen NVFP4-Checkpoint von rund 530 GB, und Apples MLX-Forschungsbeitrag demonstrierte die RDMA-verteilte Inferenz dieses Checkpoints über Mac-Studio-Cluster — rund 38.000 US-Dollar Apple-Silizium (vier 256-GB-M5-Ultra-Mac-Studios, nach Engadget) kaufen partielle Frontier-Fähigkeit auf eigener Hardware, dieselbe Achse, die die lokale 24-GB-Zeile des RTX Spark am unteren Ende eröffnet. Lesen Sie es als Topologie-Zeile, nicht als Kostensieg: 38.000 Dollar Kapital kaufen Fähigkeitsbreite ohne Token-Rechnung, während API-Metering die volle Frontier kauft — die Build-Entscheidung des Always-on-Agenten hat nun zwischen diesen Polen ein erprobtes Desktop-Cluster-Beispiel. Von Aggregatoren gelieferte API-Referenzen setzen Muse Spark Open nahe 1,25 Dollar pro Million Tokens — ungeprüft gegen eine Meta-Primärquelle, vor dem Zitieren kennzeichnen.

Update — 2026-10-19: MiniMax M3.1 Flash — die veröffentlichte Cache-Rate-Zeile

Die Zeile von 0,015 $/1M für gecachten Input kommt anbieterveröffentlicht. MiniMax (HKEX: 0100.HK) hat M3.1 Flash am 19. Oktober 2026 zum Flat-Preis von 0,15 $ Input / 0,60 $ Output / 0,015 $ gecachter Input pro 1M Token veröffentlicht — ohne Peak-/Off-Peak-Fenster — und macht damit die Cache-Zeile zu einem Beschaffungsposten, auf den ein Angebot verweisen kann (MiniMax; Reuters). Sie setzt sich neben die oben stehende Effektivzeile bei 91,5 % Treffer: DeepSeek veröffentlicht Hit-Input bei 0,003–0,006 $ gegen einen Miss-Preis von 0,15–0,30 $ (2 % des Off-Peak-Miss-Preises, an Zeitfenster gebunden), während MiniMax die flache Rate von 10 % der Liste unmittelbar veröffentlicht. Beide Regime folgen derselben Arithmetik: Effektiver Input = Trefferanteil × Cache-Rate + Miss-Anteil × Listrate — bei einer illustrativen Trefferquote von 91,5 % rechnet das DeepSeek-Blatt auf ≈0,017 $/1M und das MiniMax-Blatt auf ≈0,0265 $/1M (DeepSeek-Preise; vollständiger Vergleich in der Cache-Kosten-Analyse und im M3.1-Flash-Artikel). Die Gewichte sind bei Redaktionsschluss unveröffentlicht (Community-Threads nennen den 23. Oktober; die 428B-MoE-Zahl ist Aggregator-Berichterstattung und unbestätigt) — das Preisblatt zitieren, die Parameterzeile zurückhalten.

---

Ein mittelständischer Distributor, der NetSuite und BigCommerce betreibt, verarbeitet 200 RFQs pro Woche. Zum Luna-Preis kostet ein Agent, der den Posteingang überwacht, drei Lieferantenkataloge über MCP-Module abfragt, einen Wissensgraphen nach Ersatzteilen prüft und Angebotsantworten verfasst, weniger als 50 $ pro Woche an Inferenz. Dieselbe Arbeitslast hätte bei den Preisen vom Januar 2026 über 2.000 $ gekostet. Die Frage des Distributors ist nicht mehr, ob der Agent erschwinglich ist — sondern, ob die Integrationsschicht gebaut ist. Die MCP-Module, der Wissensgraph, der menschliche Genehmigungs-Prüfpunkt für die Angebotsausstellung und der Audit-Trail für jeden Tool-Aufruf sind 90% des Builds. Das ist es, was ein Auftragsprojekt mit festem Scope liefert: die Integrations- und Governance-Schicht, die ein günstiges Modell in einen Produktionsagenten verwandelt.